CN116228689A - 基于呼吸弹性校正的x射线图像实时增强显示方法及装置 - Google Patents

基于呼吸弹性校正的x射线图像实时增强显示方法及装置 Download PDF

Info

Publication number
CN116228689A
CN116228689A CN202310087704.6A CN202310087704A CN116228689A CN 116228689 A CN116228689 A CN 116228689A CN 202310087704 A CN202310087704 A CN 202310087704A CN 116228689 A CN116228689 A CN 116228689A
Authority
CN
China
Prior art keywords
image
blood vessel
respiratory
real
ray image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310087704.6A
Other languages
English (en)
Inventor
肖德强
杨硕
杨健
艾丹妮
林毓聪
范敬凡
宋红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310087704.6A priority Critical patent/CN116228689A/zh
Publication of CN116228689A publication Critical patent/CN116228689A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

基于呼吸弹性校正的X射线图像实时增强显示方法及装置，为医生提供真实的血管变形显示，保证术中实时动态覆盖显示，丰富X射线图像信息以给予医生更好的操作指导，提升医生对于穿刺针当前姿态及位于血管中位置的掌握性，以便精准进行穿刺操作。包括：在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。

Description

基于呼吸弹性校正的X射线图像实时增强显示方法及装置
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种基于呼吸弹性校正的X射线图像实时增强显示方法，以及基于呼吸弹性校正的X射线图像实时增强显示装置。
背景技术
门静脉高压是肝硬化的主要致死因，经颈静脉肝内门体静脉内支架分流术(TIPS)是临床根治门静脉高压的主要治疗手段。该手术在X射线透视引导下，通过将穿刺针由肝静脉经肝实质进入门静脉建立人工分流通路。然而，肝静脉和门静脉之间解剖关系复杂，尤其是肝硬化患者导致肝脏组织密度改变、血管结构变形，提升了手术难度。因此医生对穿刺针姿态及尖端位置的掌握尤为重要，是决定手术是否成功的关键，但医生在手术中只能通过二维X射线图像对穿刺针进行观测，特别是穿刺针的弯曲角度及对应的穿刺方向，由于术中血管及肝脏不可见，手术是否成功依赖的是术者的主观操作经验，如何通过增强术中X射线图像以给予医师更多信息，是能否提供有效手术指导的关键。
在X射线图像引导下的经颈静脉肝内门体分流术(TIPS)手术中，肝血管的可视化需要注入造影剂，它将会对人体造成伤害。通过将血管路线图实时覆盖X射线图像上可以减少造影剂的使用，并实现增强显示提升手术效率。但在手术期间，受到呼吸运动的影响，肝血管会随着肝脏发生运动及变形，如何估计患者的呼吸运动规律，如何将术中变形信息作用于术前血管，在不使用造影剂的情况下，使医生掌握术中肝血管的运动形变姿态，是手术操作中的重大难点。目前的研究者尝试将术前血管结构通过刚性结构特征(骨骼)配准至术中图像，再基于术中心电图检测患者的呼吸运动规律，得到动态的血管路线图以实时增强X图像显示；也有研究者尝试将术前血管与术中穿刺针完成配准。但以上方法均未考虑血管的形变信息，若医生对血管的形态估计错误，加之患者的位姿给穿刺环境带来了复杂性，容易对患者血管及其他组织器官造成伤害，提升了TIPS手术的操作难度。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于呼吸弹性校正的X射线图像实时增强显示方法，其能够为医生提供真实的血管变形显示，保证术中实时动态覆盖显示，丰富X射线图像信息以给予医生更好的操作指导，提升医生对于穿刺针当前姿态及位于血管中位置的掌握性，以便精准进行穿刺操作。
本发明的技术方案是：这种基于呼吸弹性校正的X射线图像实时增强显示方法，其包括以下步骤：
(1)在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；
(2)通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；
(3)基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。
本发明首先在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；其次，通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；最后，为真实反应术中血管形变，本发明基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示；因此，能够为医生提供真实的血管变形显示，保证术中实时动态覆盖显示，丰富X射线图像信息以给予医生更好的操作指导，提升医生对于穿刺针当前姿态及位于血管中位置的掌握性，以便精准进行穿刺操作。
还提供了基于呼吸弹性校正的X射线图像实时增强显示方法的装置，其包括：
自适应特征点采样模块，其配置为在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；
呼吸信号提取模块，其配置为通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；
配准显示模块，其配置为基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。
附图说明
图1是根据本发明的基于呼吸弹性校正的X射线图像实时增强显示方法的流程示意图。
具体实施方式
本发明的目的旨在提供一种基于自适应特征融合的CT图像肝血管分割方法来解决目前CT图像肝血管分割的挑战，主要通过构建自适应特征融合的CT图像肝血管分割网络模型来自动准确地进行肝血管分割。其中，模型以nnU-Net网络为主要架构，主要由三个核心模块组成。首先设计了一个自适应特征连接模块，抑制图像背景噪声，准确提取小血管；其次，提出了一个增强辅助模块，充分利用血管的拓扑信息，提高分割完整性；最后，引入全局信息监督模块提取肝脏边缘特征，提高边缘血管分割精度。
如图1所示，这种基于呼吸弹性校正的X射线图像实时增强显示方法，其包括以下步骤：
(1)在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；
(2)通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；
(3)基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。
本发明首先在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；其次，通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；最后，为真实反应术中血管形变，本发明基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示；因此，能够为医生提供真实的血管变形显示，保证术中实时动态覆盖显示，丰富X射线图像信息以给予医生更好的操作指导，提升医生对于穿刺针当前姿态及位于血管中位置的掌握性，以便精准进行穿刺操作。
优选地，所述步骤(1)中，在自适应采样过程中，使用梯度算子来检测高曲率区域的点集；在配准过程中，在梯度较大的区域，通过减小采样间隔增加采样点数目，提升匹配效率；而在较为平滑的区域，增大采样间隔减少采样点数目，降低计算时间；通过自适应采样，初步完成术前血管与术中单帧影像中穿刺针的对准，为完成与序列图像中每一帧的对准，提取呼吸信号，实现动态配准。
优选地，所述步骤(2)中，通过生成对抗网络将X射线图像转换成数字重建放射影像DRR；将转换后的图像输入分割网络中自动提取二维肝脏区域。
优选地，所述步骤(2)中，在图像生成过程中，网络分为生成器G及判别器D，生成器负责将X射线图像x转换至DRR图像d，生成假的DRR，而判别器负责判定假的DRR与d间的相似程度，再将假的DRR重建回X图像与原图进行对比；而在d生成假的X射线图像中，同样存在生成器与判别器，形成闭环，因此DRR生成X图像的损失函数表示为：
LDX＝Ex{log[D1(x)]}+Ed{log[1-D1(G1(d))]}
LXX＝Ex{||G1(G2(x)-x)||1}
而X图像生成DRR图像的损失函数表示为：
LXD＝Ed{log[D2(d)]}+Ex{log[1-D2(G2(x))]}
LDD＝Ed{||G2(G1(d)-d)||1}
则整体的损失函数表示为：
Lall＝λ1LDX+λ2LXD+λ3LXX+λ4LDD
其中λ1、λ2、λ3、λ4代表损失系数，分别约束各个方向中的图像生成效果，以提升整体损失函数的有效性。
优选地，所述步骤(2)中，获得肝脏区域Im,s(x,y)后，其中s表示X射线序列图像每一帧的呼吸状态，每帧中的肝脏区域都被设置为二值图像，并定义在由坐标x和y表示的二维网格上，其中y表示头尾方向的维度，x表示垂直于平面中y方向的维度，为了完成运动模型，根据肝脏的位置为每个图像掩码计算呼吸状态rs。
优选地，所述步骤(2)中，质心用来表示呼吸运动状态，因为它的位置随着肝脏区域像素的运动而变化，在数学上，不同的呼吸状态表示为：
Figure BDA0004069331020000061
Figure BDA0004069331020000062
/>
依据不同状态下肝脏之心的位置差别，提取肝脏呼吸运动信号，为动态配准提供了运动先验信息。
优选地，所述步骤(3)中，假设血管投影点集及穿刺针点集分别为{c1,c2,…,cL}及{a1,a2,…,aL}，其中L表示配准过程中已匹配的点对数目，流行正则化的实质在于使用拉普拉斯模型及高斯模型，抽象为概率匹配问题，通过添加正则项来约束对应点间的坐标变换Τ，其约束函数表示为：
Figure BDA0004069331020000063
其中第一个正则项控制转换的主体，第二个正则项为希尔伯特范数，控制着数据的结构复杂性，第三个正则项为拉普拉斯范数，控制着数据的结构平滑性；在拉普拉斯范数中，用图特征来描述平滑，通过邻接矩阵与度矩阵构建拉普拉斯算子参与约束匹配，最终得到含有变形信息的投影血管，实现对X射线图像的增强显示。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于呼吸弹性校正的X射线图像实时增强显示装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
自适应特征点采样模块，其配置为在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；
呼吸信号提取模块，其配置为通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；
配准显示模块，其配置为基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。
优选地，所述自适应特征点采样模块中，在自适应采样过程中，使用梯度算子来检测高曲率区域的点集；在配准过程中，在梯度较大的区域，通过减小采样间隔增加采样点数目，提升匹配效率；而在较为平滑的区域，增大采样间隔减少采样点数目，降低计算时间；通过自适应采样，初步完成术前血管与术中单帧影像中穿刺针的对准，为完成与序列图像中每一帧的对准，提取呼吸信号，实现动态配准。
优选地，所述呼吸信号提取模块中，通过生成对抗网络将X射线图像转换成数字重建放射影像DRR；将转换后的图像输入分割网络中自动提取二维肝脏区域。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (10)

1.基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：其包括以下步骤：
(1)在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；
(2)通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；
(3)基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。
2.根据权利要求1所述的基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：所述步骤(1)中，在自适应采样过程中，使用梯度算子来检测高曲率区域的点集；在配准过程中，在梯度较大的区域，通过减小采样间隔增加采样点数目，提升匹配效率；而在较为平滑的区域，增大采样间隔减少采样点数目，降低计算时间；通过自适应采样，初步完成术前血管与术中单帧影像中穿刺针的对准，为完成与序列图像中每一帧的对准，提取呼吸信号，实现动态配准。
3.根据权利要求2所述的基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：所述步骤(2)中，通过生成对抗网络将X射线图像转换成数字重建放射影像DRR；将转换后的图像输入分割网络中自动提取二维肝脏区域。
4.根据权利要求3所述的基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：所述步骤(2)中，在图像生成过程中，网络分为生成器G及判别器D，生成器负责将X射线图像x转换至DRR图像d，生成假的DRR，而判别器负责判定假的DRR与d间的相似程度，再将假的DRR重建回X图像与原图进行对比；而在d生成假的X射线图像中，同样存在生成器与判别器，形成闭环，因此DRR生成X图像的损失函数表示为：
LDX＝Ex{log[D1(x)]}+Ed{log[1-D1(G1(d))]}
LXX＝Ex{||G1(G2(x)-x)||1}
而X图像生成DRR图像的损失函数表示为：
LXD＝Ed{log[D2(d)]}+Ex{log[1-D2(G2(x))]}
LDD＝Ed{||G2(G1(d)-d)||1}
则整体的损失函数表示为：
Lall＝λ1LDX+λ2LXD+λ3LXX+λ4LDD
其中λ1、λ2、λ3、λ4代表损失系数，分别约束各个方向中的图像生成效果，以提升整体损失函数的有效性。
5.根据权利要求4所述的基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：所述步骤(2)中，获得肝脏区域Im，s(x，y)后，其中s表示X射线序列图像每一帧的呼吸状态，每帧中的肝脏区域都被设置为二值图像，并定义在由坐标x和y表示的二维网格上，其中y表示头尾方向的维度，x表示垂直于平面中y方向的维度，为了完成运动模型，根据肝脏的位置为每个图像掩码计算呼吸状态rs。
6.根据权利要求5所述的基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：所述步骤(2)中，质心用来表示呼吸运动状态，因为它的位置随着肝脏区域像素的运动而变化，在数学上，不同的呼吸状态表示为：
Figure FDA0004069331000000031
Figure FDA0004069331000000032
依据不同状态下肝脏之心的位置差别，提取肝脏呼吸运动信号，为动态配准提供了运动先验信息。
7.根据权利要求6所述的基于呼吸弹性校正的X射线图像实时增强显示方法，其特征在于：所述步骤(3)中，假设血管投影点集及穿刺针点集分别为{c1，c2，...，cL}及{a1，a2，...，aL}，其中L表示配准过程中已匹配的点对数目，流行正则化的实质在于使用拉普拉斯模型及高斯模型，抽象为概率匹配问题，通过添加正则项来约束对应点间的坐标变换T，其约束函数表示为：
Figure FDA0004069331000000033
其中第一个正则项控制转换的主体，第二个正则项为希尔伯特范数，控制着数据的结构复杂性，第三个正则项为拉普拉斯范数，控制着数据的结构平滑性；在拉普拉斯范数中，用图特征来描述平滑，通过邻接矩阵与度矩阵构建拉普拉斯算子参与约束匹配，最终得到含有变形信息的投影血管，实现对X射线图像的增强显示。
8.根据权利要求7所述的基于呼吸弹性校正的X射线图像实时增强显示方法的装置，其特征在于：其包括：
自适应特征点采样模块，其配置为在进行三维血管与二维穿刺针的配准过程中，通过自适应特征点采样，在三维血管树及二维穿刺针点集中优先提取根节点及高曲率点，提升配准精度；
呼吸信号提取模块，其配置为通过人工智能网络由术中序列影像中提取患者呼吸信号，并作为运动先验信息将术前血管动态投影至每一帧X射线图像上；
配准显示模块，其配置为基于流行正则化将血管投影弹性配准至术中穿刺针，为医生提供真实的血管变形显示，并通过快速鲁棒的算法优化保证术中实时动态覆盖显示。
9.根据权利要求8所述的基于呼吸弹性校正的X射线图像实时增强显示方法的装置，其特征在于：所述自适应特征点采样模块中，在自适应采样过程中，使用梯度算子来检测高曲率区域的点集；在配准过程中，在梯度较大的区域，通过减小采样间隔增加采样点数目，提升匹配效率；而在较为平滑的区域，增大采样间隔减少采样点数目，降低计算时间；通过自适应采样，初步完成术前血管与术中单帧影像中穿刺针的对准，为完成与序列图像中每一帧的对准，提取呼吸信号，实现动态配准。
10.根据权利要求9所述的基于呼吸弹性校正的X射线图像实时增强显示方法的装置，其特征在于：所述呼吸信号提取模块中，通过生成对抗网络将X射线图像转换成数字重建放射影像DRR；将转换后的图像输入分割网络中自动提取二维肝脏区域。
CN202310087704.6A 2023-01-29 2023-01-29 基于呼吸弹性校正的x射线图像实时增强显示方法及装置 Pending CN116228689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310087704.6A CN116228689A (zh) 2023-01-29 2023-01-29 基于呼吸弹性校正的x射线图像实时增强显示方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310087704.6A CN116228689A (zh) 2023-01-29 2023-01-29 基于呼吸弹性校正的x射线图像实时增强显示方法及装置

Publications (1)

Publication Number Publication Date
CN116228689A true CN116228689A (zh) 2023-06-06

Family

ID=86578069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310087704.6A Pending CN116228689A (zh) 2023-01-29 2023-01-29 基于呼吸弹性校正的x射线图像实时增强显示方法及装置

Country Status (1)

Country Link
CN (1) CN116228689A (zh)

Similar Documents

Publication Publication Date Title
US5889524A (en) Reconstruction of three-dimensional objects using labeled piecewise smooth subdivision surfaces
US9275190B2 (en) Method and system for generating a four-chamber heart model
US8923590B2 (en) Method and system for 3D cardiac motion estimation from single scan of C-arm angiography
Zheng et al. Automatic aorta segmentation and valve landmark detection in C-arm CT for transcatheter aortic valve implantation
US8913060B2 (en) Systems and methods for extracting a curve-skeleton from a volumetric image of a vessel
CN109598722B (zh) 基于递归神经网络的图像分析方法
US9292917B2 (en) Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography
US9155470B2 (en) Method and system for model based fusion on pre-operative computed tomography and intra-operative fluoroscopy using transesophageal echocardiography
Schneider et al. Patient-specific mitral leaflet segmentation from 4D ultrasound
US8948484B2 (en) Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition
CN110838140A (zh) 基于混合监督学习的超声和核磁图像配准融合方法及装置
KR101900679B1 (ko) 혈관 특징 정보를 기반으로 하는 삼차원 심혈관 정합 방법, 이를 수행하기 위한 기록 매체 및 장치
JP5748636B2 (ja) 画像処理装置および方法並びにプログラム
US9042619B2 (en) Method and system for automatic native and bypass coronary ostia detection in cardiac computed tomography volumes
Heyde et al. Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings
Toth et al. 3D/2D Registration with superabundant vessel reconstruction for cardiac resynchronization therapy
EP2498222B1 (en) Method and system for regression-based 4D mitral valve segmentation from 2D+T magnetic resonance imaging slices
Li et al. How to reconstruct 3D coronary arterial tree from two arbitrary views
KR101957605B1 (ko) 3d cta 영상 간의 심혈관 강체 정합 방법, 이를 수행하기 위한 기록매체 및 장치
CN116228689A (zh) 基于呼吸弹性校正的x射线图像实时增强显示方法及装置
CN110689080A (zh) 一种血管结构影像的平面图谱构建方法
Tu et al. Left ventricular boundary detection from spatio-temporal volumetric computed tomography images
WO2014126955A1 (en) Method and apparatus for image fusion based planning of c-arm angulation for structural heart disease
CN114494364A (zh) 肝脏三维超声与ct图像配准初始化方法、装置、电子设备
CN113935889A (zh) 2d/3d冠状动脉自动配准方法、系统及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination